- 博客(7)
- 收藏
- 关注
RSS订阅原创 关于车规级的IMU介绍、使用
在车载场景中，其实有很多的传感器，相机，Lidar，IMU，GPS，RTK等等，每一种一起之间相互独立又相互成就，实现那个更好的自己，1+1>2的效果，目的也就是为了实现替代人大脑的感知器官来协助各种机器完成指定的工作，传感器融合就像是把我们的感官在大脑里面处理一遍，然后有个最优的决策。通常情况下，传感器都拥有很多的性能指标，而这些性能指标决定了他们的价格和使用场景，例如无论是机械制造的误差还是A/D采样带来的偏差，满刻度误差，以及采样数据的噪声还有抗震性能，当然这些也会受到温度和输入电压的影响。
2024-03-27 10:30:41
1875
2
原创 OctreeOcc: 使用八叉树查询的高效多粒度占用预测
OctreeOcc是一个创新的3D占用预测框架，它通过利用八叉树结构自适应地捕获3D空间中的关键信息，并结合图像数据来提高结构的精确性，同时通过有效的校正机制进行迭代细化，相比于传统密集网格方法，在保持优越占用预测性能的同时，显著降低了15%-24%的计算开销。纯视觉的3D占用预测性能对比八叉树结构校正的图示。左图显示最初预测的八叉树结构，右图描述迭代结构校正模块后的八叉树结构。很明显，预测的八叉树结构在校正模块之后变得更加符合物体的形状。
2024-03-27 10:26:59
1875
转载 Cam4DOcc：仅摄像头4D占⽤的基准⾃动驾驶应⽤的预测
大多数现有的实例预测方法只能预测感兴趣对象在BEV表示上的未来位置，而我们的工作将这一任务扩展到更复杂的3D空间。：作者还说了标不仅是预测 GMO 的未来位置，还要估计 GSO 的占⽤状态和安全导航所需的⾃由空间，因此，我们进⼀步将原始 nuScenes 中的顺序实例注释与从nuScenes-Occupancy 转换到当前帧的顺序占⽤注释连接起来。根据3中描述的评估协议，同时使用一般对象的语义学来估计现在和预测未来的占用，此外，OCFNet不仅预测占有率，还预测空间内三维向心流作为网格运动，可用于。
2023-12-05 15:06:37
167
1
原创 4D占据预测（预测未来时刻的点云数据，可以更准确地预测场景的占据情况）
为了实现4D占据预测，作者提出了一种新的网络架构，并使用未标注的LiDAR序列数据进行训练和测试。具体而言，他们通过查询已知传感器内外参数的4D模型，使用射线来渲染LiDAR扫描数据。这种方法使得可以在不需要标注的LiDAR序列上训练和测试4D占据预测算法，并且可以在不同的数据集、传感器和车辆之间进行点云预测算法的评估和比较。
2023-06-26 18:10:36
525
1
原创 用于自监督占用预测的可微透射-紧急占用
这篇文章介绍了一种用于自我监督占用预测的可微分射线投影方法。该方法通过将射线投影应用于占用成本图，预测未来时间步的占用情况。
2023-06-25 17:36:34
81
原创 FB-OCC CVPR23 3D Occupancy Prediction 挑战赛冠军方案解读
4）为了增加深度感知，和减轻模型过度偏向深度信息的风险，导致语义丢失，在nuScenes数据集上进行深度估计的预训练，用来增强模型的几何感知能力。1）作者花了大段时间介绍大模型的过拟合的劣势还有计算复杂度的问题，综合评比下来，选用了1B参数的backbone，interimage-H；前向投影总结：相对原来的LSS是投影到BEV空间中，这里是投影到3D体素空间中。3）最后将 3D 体素表⽰和优化的 BEV 表⽰的融合特征输⼊到后续任务头中。1）3D体素表⽰压缩为BEV表示，从⽽结合更强的语义。
2023-06-20 18:00:42
772
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人